隨著互聯(lián)網(wǎng)的發(fā)展進(jìn)入下半場，數(shù)據(jù)的時(shí)效性對企業(yè)的精細(xì)化運(yùn)營越來越重要， 商場如戰(zhàn)場，在每天產(chǎn)生的海量數(shù)據(jù)中，如何能實(shí)時(shí)有效的挖掘出有價(jià)值的信息， 對企業(yè)的決策運(yùn)營策略調(diào)整有很大幫助。

此外，隨著 5G 技術(shù)的成熟、廣泛應(yīng)用， 對于工業(yè)互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等數(shù)據(jù)時(shí)效性要求非常高的行業(yè)，企業(yè)就更需要一套完整成熟的實(shí)時(shí)數(shù)據(jù)體系來提高自身的行業(yè)競爭力。

本文從上述現(xiàn)狀及實(shí)時(shí)數(shù)據(jù)需求出發(fā)，結(jié)合工業(yè)界案例、筆者的實(shí)時(shí)數(shù)據(jù)開發(fā)經(jīng)驗(yàn)， 梳理總結(jié)了實(shí)時(shí)數(shù)據(jù)體系建設(shè)的總體方案，本文主要分為三個(gè)部分：

第一部分主要介紹了當(dāng)下在工業(yè)界比較火熱的實(shí)時(shí)計(jì)算引擎 Flink 在實(shí)時(shí)數(shù)據(jù)體系建設(shè)過程中主要的應(yīng)用場景及對應(yīng)解決方案; 第二部分從實(shí)時(shí)數(shù)據(jù)體系架構(gòu)、實(shí)時(shí)數(shù)據(jù)模型分層、實(shí)時(shí)數(shù)據(jù)體系建設(shè)方式、流批一體實(shí)時(shí)數(shù)據(jù)架構(gòu)發(fā)展等四個(gè)方面思考了實(shí)時(shí)數(shù)據(jù)體系的建設(shè)方案; 第三部分則以一個(gè)具體案例介紹如何使用 Flink SQL 完成實(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)類需求。

一、Flink 實(shí)時(shí)應(yīng)用場景

目前看來，F(xiàn)link 在實(shí)時(shí)計(jì)算領(lǐng)域內(nèi)的主要應(yīng)用場景主要可分為四類場景， 分別是實(shí)時(shí)數(shù)據(jù)同步、流式 ETL、實(shí)時(shí)數(shù)據(jù)分析和復(fù)雜事件處理，具體的業(yè)務(wù)場景和對應(yīng)的解決方案可詳細(xì)研究下圖， 文字層面不再詳述。

離線數(shù)倉考慮到效率問題，一般會采取空間換時(shí)間的方式，層級劃分會比較多;實(shí)時(shí)數(shù)倉考慮到實(shí)時(shí)性問題，分層則越少越好，另外也減少了中間流程出錯(cuò)的可能性，因此將其分為四層。

1)ODS 層

操作數(shù)據(jù)層，保存原始數(shù)據(jù)，對非結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理，輕度清洗，幾乎不刪除原始數(shù)據(jù)。

該層的數(shù)據(jù)主要來自業(yè)務(wù)數(shù)據(jù)庫的 binlog 日志、埋點(diǎn)日志和應(yīng)用程序日志。

對于 binlog 日志通過 canal 監(jiān)聽，寫到消息隊(duì)列 Kafka 中，對應(yīng)于埋點(diǎn)和應(yīng)用程序日志，則通過 Filebeat 采集 nginx 和 tomcat 日志，上報(bào)到Kafka 中。

除了存儲在 Kafka 中，同時(shí)也會對業(yè)務(wù)數(shù)據(jù)庫的 binlog 日志通過 Flink 寫入 HDFS、Kudu 等存儲引擎，落地到 5min Hive 表，供查詢明細(xì)數(shù)據(jù)，同時(shí)也提供給離線數(shù)倉，做為其原始數(shù)據(jù);另外，對于埋點(diǎn)日志數(shù)據(jù)，由于 ODS 層是非結(jié)構(gòu)化的，則沒有必要落地。

2)DWD 層

實(shí)時(shí)明細(xì)數(shù)據(jù)層，以業(yè)務(wù)過程作為建模驅(qū)動，基于每個(gè)具體的業(yè)務(wù)過程特點(diǎn)，構(gòu)建最細(xì)粒度的明細(xì)層事實(shí)表;可以結(jié)合企業(yè)的數(shù)據(jù)使用特點(diǎn)，將明細(xì)事實(shí)表的某些重要維度屬性字段做適當(dāng)冗余，也即寬表化處理。

該層的數(shù)據(jù)來源于 ODS 層，通過簡單的 Streaming ETL 后得到，對于 binlog 日志的處理主要進(jìn)行簡單的數(shù)據(jù)清洗、處理數(shù)據(jù)漂移，以及可能對多個(gè) ODS 層的表進(jìn)行 Streaming Join，對流量日志主要是做一些通用ETL 處理，將非結(jié)構(gòu)化的數(shù)據(jù)結(jié)構(gòu)化，關(guān)聯(lián)通用的維度字段。

該層的數(shù)據(jù)存儲在消息隊(duì)列 Kafka 中，同時(shí)也會用 Flink 實(shí)時(shí)寫入 Hive 5min 表，供查詢明細(xì)數(shù)據(jù)，同時(shí)要提供給離線數(shù)倉，做為其原始數(shù)據(jù)。

3)DIM 層

公共維度層，基于維度建模理念思想，建立整個(gè)業(yè)務(wù)過程的一致性維度，降低數(shù)據(jù)計(jì)算口徑和算法不統(tǒng)一風(fēng)險(xiǎn)。

DIM 層數(shù)據(jù)來源于兩部分：一部分是Flink程序?qū)崟r(shí)處理ODS層數(shù)據(jù)得到，另外一部分是通過離線任務(wù)出倉得到。

DIM 層維度數(shù)據(jù)主要使用 MySQL、Hbase、Redis 三種存儲引擎，對于維表數(shù)據(jù)比較少的情況可以使用 MySQL，對于單條數(shù)據(jù)大小比較小，查詢 QPS 比較高的情況，可以使用 Redis 存儲，降低機(jī)器內(nèi)存資源占用，對于數(shù)據(jù)量比較大，對維表數(shù)據(jù)變化不是特別敏感的場景，可以使用HBase 存儲。

4)DM 層

①數(shù)據(jù)集市層

以數(shù)據(jù)域+業(yè)務(wù)域的理念建設(shè)公共匯總層，對于DM層比較復(fù)雜，需要綜合考慮對于數(shù)據(jù)落地的要求以及具體的查詢引擎來選擇不同的存儲方式，分為輕度匯總層和高度匯總層，同時(shí)產(chǎn)出，高度匯總層數(shù)據(jù)用于前端比較簡單的KV查詢， 提升查詢性能，比如實(shí)時(shí)大屏，實(shí)時(shí)報(bào)表等，數(shù)據(jù)的時(shí)效性要求為秒級，輕度匯總層Kafka中寬表實(shí)時(shí)寫入OLAP存儲引擎，用于前端產(chǎn)品復(fù)雜的OLAP查詢場景，滿足自助分析和產(chǎn)出復(fù)雜報(bào)表的需求，對數(shù)據(jù)的時(shí)效性要求可容忍到分鐘級;

②輕度匯總層

輕度匯總層由明細(xì)層通過Streaming ETL得到，主要以寬表的形式存在，業(yè)務(wù)明細(xì)匯總是由業(yè)務(wù)事實(shí)明細(xì)表和維度表join得到，流量明細(xì)匯總是由流量日志按業(yè)務(wù)線拆分和維度表join得到。

輕度匯總層數(shù)據(jù)存儲比較多樣化，首先利用Flink實(shí)時(shí)消費(fèi)DWD層Kafka中明細(xì)數(shù)據(jù)join業(yè)務(wù)過程需要的維表，實(shí)時(shí)打?qū)捄髮懭朐搶拥腒afka中，以Json或PB格式存儲。

同時(shí)對多維業(yè)務(wù)明細(xì)匯總數(shù)據(jù)通過Flink實(shí)時(shí)寫入Kudu，用于查詢明細(xì)數(shù)據(jù)和更復(fù)雜的多維數(shù)據(jù)分析需求，對于流量數(shù)據(jù)通過Flink分別寫入HDFS和ClickHouse用于復(fù)雜的多維數(shù)據(jù)分析， 實(shí)時(shí)特征數(shù)據(jù)則通過Flink join維表后實(shí)時(shí)寫入HDFS，用于下游的離線ETL消費(fèi)。

對于落地Kudu和HDFS的寬表數(shù)據(jù)，可用Spark SQL做分鐘級的預(yù)計(jì)算，滿足業(yè)務(wù)方復(fù)雜數(shù)據(jù)分析需求，提供分鐘級延遲的數(shù)據(jù)，從而加速離線ETL過程的延遲， 另外隨著Flink SQL與Hive生態(tài)集成的不斷完善，可嘗試用Flink SQL做離線ETL和OLAP計(jì)算任務(wù)(Flink流計(jì)算基于內(nèi)存計(jì)算的特性，和presto非常類似，這使其也可以成為一個(gè)OLAP計(jì)算引擎)，用一套計(jì)算引擎解決實(shí)時(shí)離線需求，從而實(shí)現(xiàn)批流統(tǒng)一。

對于Kudu中的業(yè)務(wù)明細(xì)數(shù)據(jù)、ClickHouse中的流量明細(xì)數(shù)據(jù)，也可以滿足業(yè)務(wù)方的個(gè)性化數(shù)據(jù)分析需求，利用強(qiáng)大的OLAP計(jì)算引擎，實(shí)時(shí)查詢明細(xì)數(shù)據(jù)，在10s量級的響應(yīng)時(shí)間內(nèi)給出結(jié)果，這類需求也即是實(shí)時(shí)OLAP需求，靈活性比較高。

③高度匯總層

高度匯總層由明細(xì)數(shù)據(jù)層或輕度匯總層通過聚合計(jì)算后寫入到存儲引擎中，產(chǎn)出一部分實(shí)時(shí)數(shù)據(jù)指標(biāo)需求，靈活性比較差。

計(jì)算引擎使用Flink Datastream API和Flink SQL，指標(biāo)存儲引擎根據(jù)不同的需求，對于常見的簡單指標(biāo)匯總模型可直接放在MySQL里面，維度比較多的、寫入更新比較大的模型會放在HBase里面， 還有一種是需要做排序、對查詢QPS、響應(yīng)時(shí)間要求非常高、且不需要持久化存儲如大促活動期間在線TopN商品等直接存儲在Redis里面。

在秒級指標(biāo)需求中，需要混用Lambda和Kappa架構(gòu)，大部分實(shí)時(shí)指標(biāo)使用Kappa架構(gòu)完成計(jì)算，少量關(guān)鍵指標(biāo)(如金額相關(guān))使用Lambda架構(gòu)用批處理重新處理計(jì)算，增加一次校對過程。

總體來說 DM 層對外提供三種時(shí)效性的數(shù)據(jù)：

首先是 Flink 等實(shí)時(shí)計(jì)算引擎預(yù)計(jì)算好的秒級實(shí)時(shí)指標(biāo)，這種需求對數(shù)據(jù)的時(shí)效性要求非常高，用于實(shí)時(shí)大屏、計(jì)算維度不復(fù)雜的實(shí)時(shí)報(bào)表需求。 其次是 Spark SQL 預(yù)計(jì)算的延遲在分鐘級的準(zhǔn)實(shí)時(shí)指標(biāo)， 該類指標(biāo)滿足一些比較復(fù)雜但對數(shù)據(jù)時(shí)效性要求不太高的數(shù)據(jù)分析場景，可能會涉及到多個(gè)事實(shí)表的join，如銷售歸因等需求。 最后一種則是不需要預(yù)計(jì)算，ad-hoc查詢的復(fù)雜多維數(shù)據(jù)分析場景，此類需求比較個(gè)性化，靈活性比較高，如果 OLAP 計(jì)算引擎性能足夠強(qiáng)大，也可完全滿足秒級計(jì)算需求的場景; 對外提供的秒級實(shí)時(shí)數(shù)據(jù)和另外兩種準(zhǔn)實(shí)時(shí)數(shù)據(jù)的比例大致為 3：7，絕大多數(shù)的業(yè)務(wù)需求都優(yōu)先考慮準(zhǔn)實(shí)時(shí)計(jì)算或 ad-hoc 方式，可以降低資源使用、提升數(shù)據(jù)準(zhǔn)確性，以更靈活的方式滿足復(fù)雜的業(yè)務(wù)場景。

3、實(shí)時(shí)數(shù)據(jù)體系建設(shè)方式

整個(gè)實(shí)時(shí)數(shù)據(jù)體系分為兩種建設(shè)方式，即實(shí)時(shí)和準(zhǔn)實(shí)時(shí)(它們的實(shí)現(xiàn)方式分別是基于流計(jì)算引擎和 ETL、OLAP 引擎，數(shù)據(jù)時(shí)效性則分別是秒級和分鐘級。

1)在調(diào)度開銷方面，準(zhǔn)實(shí)時(shí)數(shù)據(jù)是批處理過程，因此仍然需要調(diào)度系統(tǒng)支持，調(diào)度頻率較高，而實(shí)時(shí)數(shù)據(jù)卻沒有調(diào)度開銷。

2)在業(yè)務(wù)靈活性方面，因?yàn)闇?zhǔn)實(shí)時(shí)數(shù)據(jù)是基于 ETL 或 OLAP 引擎實(shí)現(xiàn)，靈活性優(yōu)于基于流計(jì)算的方式。

3)在對數(shù)據(jù)晚到的容忍度方面，因?yàn)闇?zhǔn)實(shí)時(shí)數(shù)據(jù)可以基于一個(gè)周期內(nèi)的數(shù)據(jù)進(jìn)行全量計(jì)算，因此對于數(shù)據(jù)晚到的容忍度也是比較高的，而實(shí)時(shí)數(shù)據(jù)使用的是增量計(jì)算，對于數(shù)據(jù)晚到的容忍度更低一些。

4)在適用場景方面，準(zhǔn)實(shí)時(shí)數(shù)據(jù)主要用于有實(shí)時(shí)性要求但不太高、涉及多表關(guān)聯(lián)和業(yè)務(wù)變更頻繁的場景，如交易類型的實(shí)時(shí)分析，實(shí)時(shí)數(shù)據(jù)則更適用于實(shí)時(shí)性要求高、數(shù)據(jù)量大的場景，如實(shí)時(shí)特征、流量類型實(shí)時(shí)分析等場景。

4、流批一體實(shí)時(shí)數(shù)據(jù)架構(gòu)發(fā)展

從1990年 Inmon 提出數(shù)據(jù)倉庫概念到今天，大數(shù)據(jù)架構(gòu)經(jīng)歷了從最初的離線大數(shù)據(jù)架構(gòu)、Lambda 架構(gòu)、Kappa 架構(gòu)以及 Flink 的火熱帶出的流批一體架構(gòu)，數(shù)據(jù)架構(gòu)技術(shù)不斷演進(jìn)，本質(zhì)是在往流批一體的方向發(fā)展，讓用戶能以最自然、最小的成本完成實(shí)時(shí)計(jì)算。

1)離線大數(shù)據(jù)架構(gòu)：數(shù)據(jù)源通過離線的方式導(dǎo)入到離線數(shù)倉中，下游應(yīng)用根據(jù)業(yè)務(wù)需求選擇直接讀取 DM 或加一層數(shù)據(jù)服務(wù)，比如 MySQL 或 Redis，數(shù)據(jù)存儲引擎是 HDFS/Hive，ETL 工具可以是 MapReduce 腳本或 HiveSQL。數(shù)據(jù)倉庫從模型層面分為操作數(shù)據(jù)層 ODS、數(shù)據(jù)倉庫明細(xì)層 DWD、數(shù)據(jù)集市層 DM。

2)Lambda 架構(gòu)：隨著大數(shù)據(jù)應(yīng)用的發(fā)展，人們逐漸對系統(tǒng)的實(shí)時(shí)性提出了要求，為了計(jì)算一些實(shí)時(shí)指標(biāo)，就在原來離線數(shù)倉的基礎(chǔ)上增加了一個(gè)實(shí)時(shí)計(jì)算的鏈路，并對數(shù)據(jù)源做流式改造(即把數(shù)據(jù)發(fā)送到消息隊(duì)列)，實(shí)時(shí)計(jì)算去訂閱消息隊(duì)列，直接完成指標(biāo)增量的計(jì)算，推送到下游的數(shù)據(jù)服務(wù)中去，由數(shù)據(jù)服務(wù)層完成離線&實(shí)時(shí)結(jié)果的合并。

3)Kappa 架構(gòu)：Lambda 架構(gòu)雖然滿足了實(shí)時(shí)的需求，但帶來了更多的開發(fā)與運(yùn)維工作，其架構(gòu)背景是流處理引擎還不完善，流處理的結(jié)果只作為臨時(shí)的、近似的值提供參考。后來隨著 Flink 等流處理引擎的出現(xiàn)，流處理技術(shù)成熟起來，這時(shí)為了解決兩套代碼的問題，LickedIn 的 Jay Kreps 提出了 Kappa 架構(gòu)。

4)流批一體架構(gòu)：流批一體架構(gòu)比較完美的實(shí)現(xiàn)方式是采用流計(jì)算 + 交互式分析雙引擎架構(gòu)，在這個(gè)架構(gòu)中，流計(jì)算負(fù)責(zé)的是基礎(chǔ)數(shù)據(jù)，而交互式分析引擎是中心，流計(jì)算引擎對數(shù)據(jù)進(jìn)行實(shí)時(shí) ETL 工作，與離線相比，降低了 ETL 過程的 latency，交互式分析引擎則自帶存儲，通過計(jì)算存儲的協(xié)同優(yōu)化， 實(shí)現(xiàn)高寫入 TPS、高查詢 QPS 和低查詢 latency ，從而做到全鏈路的實(shí)時(shí)化和 SQL 化，這樣就可以用批的方式實(shí)現(xiàn)實(shí)時(shí)分析和按需分析，并能快速的響應(yīng)業(yè)務(wù)的變化，兩者配合，實(shí)現(xiàn) 1 + 1 > 2 的效果;該架構(gòu)對交互式分析引擎的要求非常高，也許是未來大數(shù)據(jù)庫技術(shù)發(fā)展的一個(gè)重點(diǎn)和方向。

為了應(yīng)對業(yè)務(wù)方更復(fù)雜的多維實(shí)時(shí)數(shù)據(jù)分析需求，筆者目前在數(shù)據(jù)開發(fā)中引入 Kudu這個(gè) OLAP 存儲引擎，對訂單等業(yè)務(wù)數(shù)據(jù)使用 Presto + Kudu 的計(jì)算方案也是在探索流批一體架構(gòu)在實(shí)時(shí)數(shù)據(jù)分析領(lǐng)域的可行性。此外，目前比較熱的數(shù)據(jù)湖技術(shù)，如 Delta lake、Hudi 等支持在 HDFS 上進(jìn)行 upsert 更新，隨著其流式寫入、SQL 引擎支持的成熟，未來可以用一套存儲引擎解決實(shí)時(shí)、離線數(shù)據(jù)需求，從而減少多引擎運(yùn)維開發(fā)成本。

三、Flink SQL 實(shí)時(shí)計(jì)算 UV 指標(biāo)

上一部分從宏觀層面介紹了如何建設(shè)實(shí)時(shí)數(shù)據(jù)體系，非常不接地氣，可能大家需要的只是一個(gè)具體的 case 來了解一下該怎么做，那么接下來用一個(gè)接地氣的案例來介紹如何實(shí)時(shí)計(jì)算 UV 數(shù)據(jù)。

大家都知道，在 ToC 的互聯(lián)網(wǎng)公司，UV 是一個(gè)很重要的指標(biāo)，對于老板、商務(wù)、運(yùn)營的及時(shí)決策會產(chǎn)生很大的影響，筆者在電商公司，目前主要的工作就是計(jì)算 UV、銷售等各類實(shí)時(shí)數(shù)據(jù)，體驗(yàn)就特別深刻， 因此就用一個(gè)簡單demo 演示如何用 Flink SQL 消費(fèi) Kafka 中的 PV 數(shù)據(jù)，實(shí)時(shí)計(jì)算出 UV 指標(biāo)后寫入 Hbase。

1、Kafka 源數(shù)據(jù)解析

PV 數(shù)據(jù)來源于埋點(diǎn)數(shù)據(jù)經(jīng) FileBeat 上報(bào)清洗后，以 ProtoBuffer 格式寫入下游 Kafka，消費(fèi)時(shí)第一步要先反序列化 PB 格式的數(shù)據(jù)為 Flink 能識別的 Row 類型，因此也就需要自定義實(shí)現(xiàn) DeserializationSchema 接口，具體如下代碼， 這里只抽取計(jì)算用到的 PV 的 mid、事件時(shí)間 time_local，并從其解析得到 log_date 字段：

public class PageViewDeserializationSchema implements DeserializationSchema { public static final Logger LOG = LoggerFactory.getLogger(PageViewDeserializationSchema.class); protected SimpleDateFormat dayFormatter; private final RowTypeInfo rowTypeInfo; public PageViewDeserializationSchema(RowTypeInfo rowTypeInfo){ dayFormatter = new SimpleDateFormat("yyyyMMdd", Locale.UK); this.rowTypeInfo = rowTypeInfo; } @Override public Row deserialize(byte[] message) throws IOException { Row row = new Row(rowTypeInfo.getArity()); MobilePage mobilePage = null; try { mobilePage = MobilePage.parseFrom(message); String mid = mobilePage.getMid(); row.setField(0, mid); Long timeLocal = mobilePage.getTimeLocal(); String logDate = dayFormatter.format(timeLocal); row.setField(1, logDate); row.setField(2, timeLocal); }catch (Exception e){ String mobilePageError = (mobilePage != null) ? mobilePage.toString() : ""; LOG.error("error parse bytes payload is {}, pageview error is {}", message.toString(), mobilePageError, e); } return null; }

2、編寫 Flink Job 主程序

將 PV 數(shù)據(jù)解析為 Flink 的 Row 類型后，接下來就很簡單了，編寫主函數(shù)，寫 SQL 就能統(tǒng)計(jì) UV 指標(biāo)了，代碼如下：

public class RealtimeUV { public static void main(String[] args) throws Exception { //step1 從properties配置文件中解析出需要的Kakfa、Hbase配置信息、checkpoint參數(shù)信息 Map config = PropertiesUtil.loadConfFromFile(args[0]); String topic = config.get("source.kafka.topic"); String groupId = config.get("source.group.id"); String sourceBootStrapServers = config.get("source.bootstrap.servers"); String hbaseTable = config.get("hbase.table.name"); String hbaseZkQuorum = config.get("hbase.zk.quorum"); String hbaseZkParent = config.get("hbase.zk.parent"); int checkPointPeriod = Integer.parseInt(config.get("checkpoint.period")); int checkPointTimeout = Integer.parseInt(config.get("checkpoint.timeout")); StreamExecutionEnvironment sEnv = StreamExecutionEnvironment.getExecutionEnvironment(); //step2 設(shè)置Checkpoint相關(guān)參數(shù)，用于Failover容錯(cuò) sEnv.getConfig().registerTypeWithKryoSerializer(MobilePage.class, ProtobufSerializer.class); sEnv.getCheckpointConfig().setFailOnCheckpointingErrors(false); sEnv.getCheckpointConfig().setMaxConcurrentCheckpoints(1); sEnv.enableCheckpointing(checkPointPeriod,CheckpointingMode.EXACTLY_ONCE); sEnv.getCheckpointConfig().setCheckpointTimeout(checkPointTimeout); sEnv.getCheckpointConfig().enableExternalizedCheckpoints( CheckpointConfig.ExternalizedCheckpointCleanup.RETAIN_ON_CANCELLATION); //step3 使用Blink planner、創(chuàng)建TableEnvironment,并且設(shè)置狀態(tài)過期時(shí)間，避免Job OOM EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance() .useBlinkPlanner() .inStreamingMode() .build(); StreamTableEnvironment tEnv = StreamTableEnvironment.create(sEnv, environmentSettings); tEnv.getConfig().setIdleStateRetentionTime(Time.days(1), Time.days(2)); Properties sourceProperties = new Properties(); sourceProperties.setProperty("bootstrap.servers", sourceBootStrapServers); sourceProperties.setProperty("auto.commit.interval.ms", "3000"); sourceProperties.setProperty("group.id", groupId); //step4 初始化KafkaTableSource的Schema信息，筆者這里使用register TableSource的方式將源表注冊到Flink中，而沒有用register DataStream方式，也是因?yàn)橄胧煜ひ幌氯绾巫訩afkaTableSource到Flink中 TableSchema schema = TableSchemaUtil.getAppPageViewTableSchema(); Optional proctimeAttribute = Optional.empty(); List rowtimeAttributeDescriptors = Collections.emptyList(); Map fieldMapping = new HashMap<>(); List columnNames = new ArrayList<>(); RowTypeInfo rowTypeInfo = new RowTypeInfo(schema.getFieldTypes(), schema.getFieldNames()); columnNames.addAll(Arrays.asList(schema.getFieldNames())); columnNames.forEach(name -> fieldMapping.put(name, name)); PageViewDeserializationSchema deserializationSchema = new PageViewDeserializationSchema( rowTypeInfo); Map specificOffsets = new HashMap<>(); Kafka011TableSource kafkaTableSource = new Kafka011TableSource( schema, proctimeAttribute, rowtimeAttributeDescriptors, Optional.of(fieldMapping), topic, sourceProperties, deserializationSchema, StartupMode.EARLIEST, specificOffsets); tEnv.registerTableSource("pageview", kafkaTableSource); //step5 初始化Hbase TableSchema、寫入?yún)?shù)，并將其注冊到Flink中 HBaseTableSchema hBaseTableSchema = new HBaseTableSchema(); hBaseTableSchema.setRowKey("log_date", String.class); hBaseTableSchema.addColumn("f", "UV", Long.class); HBaseOptions hBaseOptions = HBaseOptions.builder() .setTableName(hbaseTable) .setZkQuorum(hbaseZkQuorum) .setZkNodeParent(hbaseZkParent) .build(); HBaseWriteOptions hBaseWriteOptions = HBaseWriteOptions.builder() .setBufferFlushMaxRows(1000) .setBufferFlushIntervalMillis(1000) .build(); HBaseUpsertTableSink hBaseSink = new HBaseUpsertTableSink(hBaseTableSchema, hBaseOptions, hBaseWriteOptions); tEnv.registerTableSink("uv_index", hBaseSink); //step6 實(shí)時(shí)計(jì)算當(dāng)天UV指標(biāo)sql, 這里使用最簡單的group by agg，沒有使用minibatch或窗口，在大數(shù)據(jù)量優(yōu)化時(shí)最好使用后兩種方式 String uvQuery = "insert into uv_index " + "select log_date, " + "ROW(count(distinct mid) as UV) " + "from pageview " + "group by log_date"; tEnv.sqlUpdate(uvQuery); //step7 執(zhí)行Job sEnv.execute("UV Job"); } }

以上就是一個(gè)簡單的使用 Flink SQL 統(tǒng)計(jì) UV 的 case, 代碼非常簡單，只需要理清楚如何解析 Kafka 中數(shù)據(jù)，如何初始化 Table Schema，以及如何將表注冊到 Flink中，即可使用 Flink SQL 完成各種復(fù)雜的實(shí)時(shí)數(shù)據(jù)統(tǒng)計(jì)類的業(yè)務(wù)需求，學(xué)習(xí)成本比API 的方式低很多。

說明一下，筆者這個(gè) demo 是基于目前業(yè)務(wù)場景而開發(fā)的，在生產(chǎn)環(huán)境中可以真實(shí)運(yùn)行起來，可能不能拆箱即用，你需要結(jié)合自己的業(yè)務(wù)場景自定義相應(yīng)的 kafka 數(shù)據(jù)解析類。